基于主曲线的多属性对象无监督排序
机器学习
2014-02-20 v1 人工智能
机器学习
摘要
无监督排序在评估应用中面临一个关键挑战，即缺乏真实标签（ground truth）。当 PageRank 及其变体在相关主题中显示出良好的解决方案时，它们仅适用于基于链接结构数据的排序。在本工作中，我们专注于多属性数据的无监督排序，这在评估任务中也很常见。为了克服这一挑战，我们提出了五条用于设计和评估无监督排序方法的基本元规则：尺度与平移不变性、严格单调性、线性/非线性能力、平滑性以及参数规模的显式性。这些元规则被视为无监督排序任务的高层知识。受文献 [8] 和 [14] 工作的启发，我们提出了一种排序主曲线（RPC）模型，该模型学习一个一维流形函数，以对多属性观测值执行无监督排序任务。此外，RPC 被建模为控制点限制在超立方体内部的三次 B\'ezier 曲线，从而符合所有五条元规则以推断出合理的排序列表。通过将控制点作为模型参数，人们能够理解所学习的流形并从语义上解释排序列表。我们在两个不同排序应用的开放数据集上对提出的 RPC 模型进行了数值实验。与最先进的方法相比，新模型能够展示更合理的排序列表。
引用
@article{arxiv.1402.4542,
title = {Unsupervised Ranking of Multi-Attribute Objects Based on Principal Curves},
author = {Chun-Guo Li and Xing Mei and Bao-Gang Hu},
journal= {arXiv preprint arXiv:1402.4542},
year = {2014}
}
备注
This paper has 14 pages and 9 figures. The paper has submitted to IEEE Transactions on Knowledge and Data Engineering (TKDE)